Este artigo explora a técnica de Descoberta de Conhecimento em Base de Dados (Knowledge Discovery in Databases - KDD) com o objetivo de qualificar a informação recolhida durante os trabalhos de recomposição de sistemas de distribuição por equipes de eletricistas. Esta qualificação possibilita a utilização de técnicas de Inteligência Artificial (IA) para apoiar decisões de investimentos em planejamento, operação e manutenção de sistemas de distribuição. Com o objetivo de ilustrar a importância dessa qualificação, este artigo apresenta, adicionalmente, a utilização dos resultados da aplicação de KDD para o treinamento de uma Rede Bayseana (RB). A meta principal da RB é auxiliar no diagnóstico de desempenho das redes elétricas, promovendo uma identificação indireta de causas de desligamentos forçados. A análise dos dados coletados durante uma interrupção forçada de energia elétrica indica que o principal objetivo dos eletricistas em campo é a rápida recomposição da rede e, por muitas vezes, as causas que cercam os eventos que originaram as interrupções possuem um alto nível de subjetividade e incerteza, impossibilitando a sua identificação direta. Para ilustrar essa metodologia é apresentado um caso com 570.000 eventos, ao qual o KDD proporciona um novo ambiente - com um número significativo de dados - mais apropriado para o treinamento e validação da RB para identificação de causas de desligamentos não programados.
Descoberta de conhecimento em base de dados; Mineração de dados; Banco de dados; Identificação da causa de desligamentos não programados; Redes Bayesianas